Electronic Theses and Dissertation

Stroke adalah gangguan otak yang menyebabkan kelumpuhan saraf akibat gangguan aliran darah di area tertentu pada otak manusia. Berdasarkan data WHO (World Health Organization), setiap tahun ada 15 juta individu yang mengalami stroke di seluruh dunia. Penentuan penyakit stroke biasanya dilakukan dengan mengevaluasi citra CT-Scan (computerized tomography scan) atau MRI (magnetic resonance imaging), namun metode ini memakan biaya tinggi dan prosesnya lambat. Oleh karena itu, penelitian ini bertujuan untuk membangun model deep learning menggunakan arsitektur EfficientNetV2 dengan tiga varian, yaitu B0, B1, dan S, untuk mengklasifikasi stroke dan non-stroke berdasarkan citra wajah dengan lebih cepat dan biaya yang lebih rendah, serta akurasi prediksi yang tinggi. Penelitian ini menggunakan citra wajah dari platform Kaggle, dengan total 2.500 citra yang terbagi dalam dua kelas: stroke dan non-stroke. Hasil penelitian
menunjukkan bahwa ketiga varian EfficientNetV2 (B0, B1, dan S) berhasil mencapai akurasi 100%, dengan presisi 100%, recall 100%, dan F1-score 100% dalam mengklasifikasi stroke dan non-stroke berdasarkan citra wajah pada epoch 60 dengan learning rate 0,001. Pengujian lanjutan dilakukan terhadap model terbaik yang didapat pada pengujian sebelumnya dengan menggunakan dua jenis data uji baru: 250 citra augmentasi dan 250 citra tanpa augmentasi, seimbang antara jumlah citra stroke dan non-stroke. Hasil dari pengujian lanjutan menunjukkan bahwa EfficientNetV2-S dengan epoch 100 menunjukkan kinerja terbaik pada data uji tanpa augmentasi dengan akurasi 80,00%, sementara EfficientNetV2-B0 dengan epoch 60 unggul pada data uji yang diaugmentasi dengan akurasi 82,40%.

Stroke is a brain disorder that causes nerve paralysis due to impaired blood flow in certain areas of the human brain. Based on WHO (World Health Organization) data, every year there are 15 million individuals who experience stroke worldwide. Determination of stroke disease is usually done by evaluating CT-Scan (computerized tomography scan) or MRI (magnetic resonance imaging) images, but these methods are costly and slow. Therefore, this study aims to build a deep learning model using EfficientNetV2 architecture with three variants, namely B0, B1, and S, to classify stroke and non-stroke based on facial images with faster and lower cost, as well as high prediction accuracy. This study used facial images from the Kaggle platform, with a total of 2,500 images divided into two classes: stroke and non-stroke. The results showed that all three EfficientNetV2 variants (B0, B1, and S) achieved 100% accuracy, with 100% precision, 100% recall, and 100% F1-score in classifying stroke and non-stroke based on facial images at epoch 60 with a learning rate of 0.001. Further testing was performed on the best model obtained in the previous test using two new types of test data: 250 augmented images and 250 images without augmentation, balanced between the number of stroke and non-stroke images. The results of the follow-up tests showed that EfficientNetV2-S with epoch 100 performed best on the noaugmentation test data with an accuracy of 80.00%, while EfficientNetV2-B0 with epoch 60 excelled on the augmented test data with an accuracy of 82.40%.